内容发布更新时间 : 2024/10/20 3:35:57星期一 下面是文章的全部内容请认真阅读。

龙源期刊网 http://www.qikan.com.cn

经验模态分解在风电机组故障诊断中的应用

作者：郑峥 李浪

来源：《科学与财富》2016年第02期

摘 要：风电机组运行环境恶劣，极易发生故障导致巨额的经济损失，为确保风电机组的安全稳定运行，很有必要对机组进行状态监测和故障诊断。本文提出了一种基于经验模态分解方法（Empirical Mode Decomposition，EMD）的风电机组故障诊断方法，利用经验模态分解对采集的风电机组振动信号进行处理得到本征模态函数（Intrinsic Mode Function，IMF），再进一步做包络谱分析提取故障特征频率从而实现故障诊断。实例分析表明本文所提方法能够有效地诊断风机故障。

关键词：风电机组;故障;经验模态分解;轴承

Fault Diagnosis Method for Wind Turbine Based on Empirical Mode Decomposition ABSTRACT：Due to the bad operating environment，wind turbine is very easy to appear faults，which results in a large number of economic loss. So it is important to conduct the condition monitoring and fault diagnosis technology for wind turbine. A fault diagnosis method based on empirical mode decomposition（EMD）for wind turbine is proposed in this paper. The vibration signal is decomposed into several intrinsic mode functions（IMF）and envelope spectrum analysis is applied to IMF，thus extracting the fault characteristic frequency to diagnose wind turbine failure. The instance result shows the effectiveness of the proposed method in fault diagnosis. KEY WORDS：wind turbine;fault;empirical mode decomposition;bearing 0 引言

风力发电是目前全世界发展最为迅速的一种新型可再生能源，我国近年来也大力发展发理发店，并且2010 年后成为风机装机规模容量最大的国家。由于风机的工作环境一般比较恶劣，风电机组的传动系统时常发生各种故障，从而造成了巨大的经济损失和维修费用。因此，为使得风机能够安全可靠地运行，非常有必要对其进行状态监测和故障诊断[1]。

经验模态分解是一种新的信号分解方法[2]，近年来在故障诊断领域得到了广泛的应用。例如，文献[3]提出了一种将EMD与散度指标相结合的方法来诊断风机滚动轴承故障，取得了较好效果;文献[4]将EMD方法应用到齿轮的故障提取和诊断中，并取得了较好的效果;文献[5]将EMD与神经网络相结合成功识别了内燃机气门间隙的故障;文献[6]采用一种改进的EMD方法，并将其成功应用到高压断路器机械故障诊断中;文献[7]将EMD与支持向量机相结合对滚动轴承的故障类型、故障位置及故障程度进行分类。

龙源期刊网 http://www.qikan.com.cn

为了更加准确有效地识别风电机组的早期故障，本文提出了基于经验模态分解的故障诊断方法。采用该方法对实际风电机组的振动数据进行一系列的分析处理，成功地提取出了轴承的故障特征频率，从而验证了经验模态分解方法是一种有力的故障诊断工具。 1 经验模态分解

经验模态分解是90年代初期提出的一种新兴自适应信号分解方法，与小波分析等其他时频分析方法对比，经验模态分解具有更加良好的性能，更适合处理非线性、非平稳的风机振动信号。

为了更加具体地描述经验模态分解方法的步骤，将其总结为如下：

（1）通过计算分析，挑选出振动信号 所有的局部极大值点和局部极限值点。 （2）通过插值构造上、下包络线。

（3）计算上包络线与下包络线的平均值，将其记为 ，再将原始信号 减去平均值 获得 。 （4）如果所得 符合本征模态函数的要求，那么 即为第一个本征模态函数分量。 （5）如果 不符合本征模态函数的要求，那么将所得的 当成新的信号并重复执行步骤（1）～（3）直到符合要求。

（6）将信号 减去所得第一个本征模态函数分量 。再将计算得到的 当作新的信号并重复循环，直到再也提取不出本征模态函数分量为止。 2 实例分析

为验证本文所提方法的有效性，利用该方法对某风电场1.5MW风力发电机轴承的振动数据进行分析，通过对实际风机的振动信号进行处理提取故障特征频率来判断风机轴承是否发生了故障。根据公式计算得到该风电机组轴承的内圈故障频率 为169Hz，外圈故障频率 为131Hz。

对采集的风电机组轴承振动信号进行经验模态分解，得到了8个本征模态函数分量，各分量的时域波形如图1所示。从图1中可以看出，从上到下各阶本征模态函数分量由高频向低频变化，振动幅值不断减小，并且第一阶本征模态函数分量IMF1包含的冲击特征最为明显，其包含故障信息最为丰富。因此，对分解所得的IMF1分量进一步进行包络解调，提取轴承故障特征频率，结果见图2所示。图2（a）为IMF1分量的包络信号波形，图2（b）为IMF1分量的包络谱图，可见包络谱中在169HZ处的频率成分幅值最大，从而成功提取出了轴承内圈故障特征频率，可据此判断风电机组轴承内圈出现了故障，需要对其进行停机检修，以防风机发生重大事故。

龙源期刊网 http://www.qikan.com.cn

3 结论

为提高风力发电机的可靠性，避免风机重大事故的出现，本文提出了一种基于经验模态分解方法的风机故障诊断方法。实例分析表明本文所提方法能够有效地提取风机故障特征，对以后风电机组的故障诊断研究具有一定的借鉴作用。 图1 EMD分解结果IMF

Fig.1 Empirical mode decomposition results Fig.2 Empirical mode decomposition results of IMF1 参考文献：

[1]Hameed Z，Hong Y，Cho Y，et al.Condition monitoring and fault detection of wind turbines and related algorithms：a review[J] .Renewable and Sustainable Energy Reviews，2009，13（1）：1-39.

[2]马瑞恒，王新晴. 基于一种新的时频分布的机械故障诊断[J].振动与冲击，2003，22（3）：70-72.

[3]郭燕平，颜文俊，包哲静，等.基于经验模态分解和散度指标的风力发电机滚动轴承故障诊断方法[J].电力系统保护与控制，2012，40（17）：83-87.

[4]程军圣，于德介，杨宇，等.基于EMD的齿轮故障识别研究[J].电子与信息学报，2004，26（5）：825-829.

[5]王祝平，王为，李小昱，等。基于EMD与神经网络的内燃机气门间隙故障诊断[J].农业机械学报，2007，38（12）：133-136.

[6]黄建，胡晓光，巩玉楠.基于经验模态分解的高压断路器机械故障诊断方法[J].中国电机工程学报，2011，31（12）：108-113.

[7]康守强，王玉静，杨广学，等.基于经验模态分解和超球多类支持向量机的滚动轴承故障诊断方法[J].中国电机工程学报，2011，31（14）：96-102.